A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测

前言

A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings .Cheng, Cheng,Ma, Guijun,Zhang, Yong .IEEE/ASME Transactions on Mechatronics.2020.影响因子 5.673

DEI-Degradation energy indicator.
HHT Hilbert-huang transform.

研究问题

轴承的寿命预测

摘要

1、首先使用希尔伯特-黄变换来处理以构造可用作训练标签的新型非线性退化能量指标
2、使用CNN来识别提取的退化能量指标和训练轴承的原始振动之间的隐藏模式
这使得自动估计测试轴承的退化程度成为可能。
3、最后，利用ε-support向量回归模型预测了试验轴承的磨损量。

本文贡献

1)根据轴承部件的固有频率，提出的方法成功地提取了一个新的非线性退化能量指标(见图1，与线性时间退化指标相比)来描述训练轴承的退化趋势；
2)所提出的CNN体系结构对于相似的运行条件是通用的和鲁棒的，它可以在不改变CNN超参数和层数的情况下，转移到另一个处于不同运行状态的轴承上，获得良好的预测结果；
3)提出的振动指标是关于不同轴承之间的最大振动水平的综合指标，它其考虑了滚动元件轴承上所有可能的检测。这是一个更现实的指标，因为在实际的工业应用中，局部缺陷并不是一开始就存在的，这意味着必须考虑所有类型的缺陷
4)CNN将训练方位和测试轴承的所有指标尺度化为一致的潜在空间。因此，训练和测试可以共享相同的故障阈值failure threshold (FT)

图1线性时间退化指示器(蓝色)与非线性DEI(黑色)，作为网络训练的标签。非线性DEI在接近轴承寿命结束时经历了长时间的平坦曲线，然后出现急剧的退化趋势，这反映了大多数机械系统的真实退化过程。随着不同轴承部件的损伤在接近使用寿命结束时的累积，简单的时间退化指标对于RUL估计不如DEI有效。

本文方法介绍

本文利用神经网络技术估计轴承的RUL，作为一个预测问题，根据原始振动数据和提取的标签来了解非线性退化行为。**本文建立的神经网络模型不是利用神经网络技术进行时间序列预测，而是充分利用神经网络在自动特征提取方面的优势，揭示振动数据与训练轴承的退化指标之间的隐含依赖关系。
**
本文方法步骤
1、从传感器采集的原始振动信号使用HHT方法进行处理，构造了一个新的时间序列退化指标
2、训练从输入的原始振动特征到训练轴承上的DEI标签的CNN模型，并用于预测测试轴承的DEI
3、使用ε-SVR预测轴承失效前的退化过程

退化指标训练和RUL预测算法

RUL预测的总体框架可分为三个部分。整体框架示意图如图2所示。
这项工作的主要挑战包括:获得代表退化行为的DEI；
I建立一个CNN模型，将原始振动信号映射到DEI；
构建一个ε-SVR来预测RUL。
因此，在以下小节中，将在第II-A节、第II-B节和第II-C节中导出退化特征提取、CNN模型和ε-SVR预测模型的显式表达式

图2 数据驱动的RUL预测框架。
该框架包括三个阶段:
(1)特征提取阶段，旨在提取退化指标。利用经验模态分解、高阶统计量和边际希尔伯特谱来提取微分方程。DEI值也与不同轴承部件的固有频率有关；
2)模型训练阶段，基于训练数据训练CNN模型，发现DEI 和原始振动数据之间的隐藏模式；
(3)预测阶段根据训练好的CNN模型和ε-SVR预测模型预测RUL。

退化指标提取

经验模态分解是一种自适应方法，通常用于分析非平稳和非线性信号。
它将原始振动数据分解成n个IMF，说明从快到低振动的自然振动模式。

DEI模式学习

在这项工作中，具有重复组件的层堆叠在CNN架构中，包括卷积层、池层、完全连接层和回归层

RUL预测-- ε-SVR

l是采样窗口大小，s是滑动大小，xgs是每个采样窗口的平均值和方差

A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测相关推荐

Deep Learning Applied to Steganalysis of Digital Images: A Systematic Review 深度学习在数字图像隐写分析中的应用：系统综述
Deep Learning Applied to Steganalysis of Digital Images: A Systematic Review (深度学习在数字图像隐写分析中的应用:系统综述 ...
Deep Learning with Python 读书笔记6.26 I 什么是深度学习
我感觉这样记录,对于我来说挺好的.因为我看两端对齐的语句容易走神,这样记录阅读的话,就很少出现之前的情况. 我写的初衷,也是自己来看,所以感觉写的不好的,请保留下意见,谢谢. 里面的每一个字我都看过, ...
【RS-Attack】Data Poisoning Attacks to Deep Learning Based Recommender Systems NDSS‘21
Data Poisoning Attacks to Deep Learning Based Recommender Systems NDSS'21 首个在基于深度学习的推荐系统中进行投毒攻击的研究.文 ...
跌倒综述 Deep Learning Based Systems Developed for Fall Detection A Review
文章目录 1.基本信息 2. 第一节介绍 3. 第二节跌倒检测系统文献 4.第三节讨论和未来方向 5. 第四节结论 6. 参考文献 1.基本信息题目:Deep Learning Based ...
论文翻译：2021_语音增强模型压缩_Towards model compression for deep learning based speech enhancement...
论文地址:面向基于深度学习的语音增强模型压缩论文代码:没开源,鼓励大家去向作者要呀,作者是中国人,在语音增强领域深耕多年引用格式:Tan K, Wang D L. Towards model c ...
Turbo Autoencoder: Deep learning based channel code for point-to-point communication channels
Turbo Autoencoder: Deep learning based channel code for point-to-point communication channels Abstra ...
Deep learning based multi-scale channel compression feature surface defect detection system
基于深度学习的多尺度通道压缩特征表面缺陷检测系统 Deep learning based multi-scale channel compression feature surface defect ...
Deep Learning Based Registration文章阅读(五)《Anatomy-guided Multimodal Registration by Learning Segment 》
Deep Learning Based Registration文章阅读(五) 这篇文章是MIA2021新出的一篇文章<Anatomy-guided Multimodal Registratio ...
论文详读：LEMNA: Explaining Deep Learning based Security Applications
我以我ppt的内容顺序介绍一下这篇论文,希望有错误的地方大家可以帮我指出嘻嘻 1.论文出处论文名:LEMNA: Explaining Deep Learning based Security App ...

A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测

A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测

目录

前言

研究问题

摘要

本文贡献

本文方法介绍

退化指标训练和RUL预测算法

退化指标提取

DEI模式学习

RUL预测-- ε-SVR

A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测相关推荐

最新文章

热门文章